游戏叙事与剧情 / 系统课时
变量依赖怎样画成关系图
变量依赖怎样画成关系图
剧情变量一多,真正危险的不是数量,而是“一个变量悄悄控制了多少内容”。本节把变量、事件、剧情节点和结局画成有方向的依赖关系,并用一个小脚本统计高耦合变量,帮助你在改剧情前先看到风险集中在哪里。
学习目标
- 能把变量到事件、节点和结局的影响关系表示成有向图
- 能区分直接依赖与间接依赖,定位高耦合变量
- 能用简单脚本统计变量影响范围,辅助修改评审
关系图先画什么
把图中的对象限制为四类通常就够了:变量记录状态,事件改变状态,节点读取状态决定分支,结局读取最终状态或路径结果。箭头表示“左侧对象发生变化,可能影响右侧对象”。
例如 trust 被“帮助商人”事件增加,之后“进入密室”节点判断 trust >= 2,最终“盟友结局”又依赖该节点是否通过。此时不能只记住“结局用了 trust”,还要保留中间链路,否则修改事件时很难知道影响从哪里传过去。

画图时最重要的不是“连得多”,而是箭头语义一致。推荐统一成“上游变化会影响下游”。不要一会儿用箭头表示写入,一会儿又表示读取,否则图很快失去可审查性。
先记录直接依赖
直接依赖是代码或规则里明确出现的关系。例如节点条件 trust >= 2 直接依赖 trust;结局条件读取 secret_room_opened,则直接依赖这个状态。先把这些一跳关系记全,再推导间接影响。
下面用 Python 表示一份最小依赖表,并统计每个变量能直接或间接到达多少个下游对象。
from collections import defaultdict, deque
edges = {
"trust": ["node:secret_room", "node:alliance"],
"has_key": ["node:secret_room"],
"node:secret_room": ["ending:ally"],
"node:alliance": ["ending:ally"],
}
def reachable_count(start: str) -> int:
visited = set()
queue = deque(edges.get(start, []))
while queue:
current = queue.popleft()
if current in visited:
continue
visited.add(current)
queue.extend(edges.get(current, []))
return len(visited)
for variable in ["trust", "has_key"]:
print(f"{variable}: {reachable_count(variable)}")预期输出:
trust: 3
has_key: 2这里 trust 能到达两个节点和一个结局,因此它的修改半径比 has_key 更大。数字本身不是风险等级,只是提醒你优先检查哪些状态。
怎么识别高耦合变量
高耦合通常有三个信号:同一变量被多个远距离剧情节点读取;变量既参与即时分支,又参与结局判定;变量的含义不断扩张,例如最初表示“信任商人”,后来又被拿去表示“全局声望”。
发现高耦合后,不一定要立刻拆变量。先确认这些依赖是否表达同一个业务含义。如果 trust 的所有使用点都代表同一角色信任值,集中依赖可能是合理的;如果有些地方其实在表达阵营声望,就应该拆成独立状态。
修改前怎样用这张图
当策划准备删除变量、改变量含义或重做一段主线时,从目标变量沿箭头向右追踪即可。第一层检查直接读取它的节点,第二层检查这些节点继续影响的事件和结局,直到没有新的下游对象。
关系图的价值不是替代代码搜索,而是把“搜索结果之间的关系”摆到同一张图上。代码搜索告诉你变量出现在哪里,依赖图告诉你这些出现点怎样共同构成剧情路径;两者结合,才能把修改风险从“凭印象”变成可检查的范围。